《Frontiers in Pain Research》：Leveraging artificial intelligence to optimize neuromodulation in the treatment of patients with chronic pain
尽管接受了常规治疗，慢性疼痛仍然存在，这构成了一个重大的临床和经济负担。脊髓电刺激（SCS）为治疗难治性疼痛提供了一种替代方案，但由于当前患者选择过程的主观性，约有30%的患者获益有限或无效。在本篇综述中，研究人员探讨了人工智能（AI）和机器学习（ML）如何优化脊髓电刺激的患者选择并改善其疗效。现有的患者选择方法依赖于患者报告的结局和医生的判断，未能捕捉到影响疼痛治疗成功与否的多因素影响，如临床、心理和社会经济因素。人工智能和机器学习方法，包括监督学习、特征选择和风险分层，可以分析来自电子健康记录的复杂数据集，识别与持续性疼痛缓解相关的预测变量。将这些技术整合到患者选择过程中，可以增强患者筛查的精准性，降低脊髓电刺激设备的失败率和移除率，并降低医疗成本。此外，自适应学习算法可以实时优化预测模型，随着新数据的出现提高其准确性。从主观评估转向数据驱动的决策，人工智能指导的策略有望使脊髓电刺激成为一种更可靠、更公平且更具成本效益的慢性疼痛管理疗法。
### 引言
慢性疼痛仍然是最具挑战性的疾病之一，通常需要多模式和长期的治疗策略。脊髓电刺激（SCS）是一种植入式神经调控疗法，旨在当传统治疗失败时缓解难治性疼痛。尽管脊髓电刺激改善了许多患者的生活质量，但临床结果在不同个体间存在显著差异。确定哪些患者能获得持续性益处仍然是一个重大的临床挑战。当前美国食品药品监督管理局（FDA）强制要求的脊髓电刺激试验方案，涉及在永久植入脊髓电刺激设备前使用外部刺激器进行数天的短期疼痛缓解评估。尽管采取了这种预防措施，据报道失败率仍高达30%，这反映了治疗成功的巨大变异性以及在决定永久植入资格时，基于短期、非盲法试验刺激所进行的主观疼痛评估结果的局限性。这些失败率表明患者和医疗系统都承受着情感和经济上的负担。
脊髓电刺激失败率的变异性凸显了对更客观和数据驱动的患者选择标准的需求。目前的筛查方法严重依赖于主观的疼痛报告、医生的判断和有限的心理测量评估。然而，仅靠这些因素不足以预测长期成功。相比之下，人工智能（AI）和机器学习（ML）方法非常适合分析大型、异构的数据集，并揭示传统方法可能忽略的非线性关系。
人工智能包含模拟人类认知功能的计算技术，如学习、推理和模式识别，同时其运行规模远超人类能力。在医疗保健领域，人工智能在跨多维度患者数据中检测隐藏趋势、提高诊断准确性和指导个性化干预方面展现了日益重要的作用。将人口统计学、心理和社会经济数据整合到人工智能驱动的分析中，可能改变识别神经调控疗法候选者的方式。在脊髓电刺激的背景下，人工智能辅助的患者选择提供了降低植入失败率、提高生活质量和优化医疗资源分配的机会。利用这项技术可能改进风险分层，并实现使用从患者结局中持续学习的自适应反馈系统。
尽管对人工智能指导的神经调控日益充满热情，但目前的文献仍然分散，临床、心理物理和社会经济数据整合到统一预测框架中的研究有限。此外，大多数研究仍是回顾性、单中心分析，缺乏外部验证。本综述旨在综合新兴证据，并提出用于指导精准神经调控的多维度数据整合概念模型。文献检索由第一作者使用PubMed和Scopus数据库进行，以识别2010年至2026年间发表的相关研究。使用了以下检索词：“脊髓电刺激”、“神经调控”、“人工智能”、“机器学习”、“慢性疼痛”、“患者选择”、“结局预测”、“预测建模”和“风险分层”，单独或组合使用。文章纳入标准为：以英文发表、涉及脊髓电刺激结局或人工智能/机器学习在疼痛管理中的应用、并以全文形式可获取。综述文章、临床试验、回顾性研究和共识指南均被考虑。排除非英语出版物、会议摘要以及与神经调控或人工智能无关的研究。同时审查了纳入文章的参考文献列表以识别其他相关来源。共有44篇文章符合纳入标准并纳入本综述。文献筛选过程总结如图1所示。
### 脊髓电刺激的当前状态与近期结果
脊髓电刺激长期以来一直是未从传统治疗中获得缓解的慢性疼痛患者的重要治疗选择。尽管其具有优势，但报道的脊髓电刺激成功率差异很大，相当一部分患者的治疗结果不理想。临床成功通常定义为疼痛强度至少降低50%、功能能力改善和生活质量提高。然而，这些结局在不同患者群体中存在差异，预测长期获益仍然困难。约30%的脊髓电刺激植入未能达到满意效果，这反映了五个导致反应变异性的关键因素的影响（表1）。
#### 患者选择
当前脊髓电刺激的患者选择标准常常依赖于患者报告的结局和主观的疼痛评估，这些评估本身具有不一致性。客观的预测工具有限，识别最可能从脊髓电刺激中获益患者的标准化指标仍然缺乏。心理物理和神经生理学测试，如神经传导研究和定量感觉测试，本可以提供更数据驱动的患者评估框架，但仍未得到充分利用。近期的脊髓电刺激专家共识指南强调，迫切需要改进患者选择方法以提高脊髓电刺激的治疗成功率。
#### 技术问题
技术并发症，如电极移位、硬件故障和感觉异常覆盖不足，可能会降低脊髓电刺激的疗效。许多中心仍在使用缺乏闭环反馈和用于精确电极放置的3D导航等功能的老式脊髓电刺激系统。这些技术限制可能通过降低刺激准确性以及对脊髓因生理变化而做出的响应性，从而增加脊髓电刺激的失败率。
#### 心理因素
抑郁和焦虑等心理状况可能对疼痛感知和治疗结果产生负面影响。因此，全面的心理筛查和支持是成功的脊髓电刺激项目的重要组成部分。然而，持续的心理支持和心理健康的重新评估通常缺乏。针对心理健康与疼痛之间动态相互作用的结构化心理干预可以提高患者对脊髓电刺激的依从性和整体反应。
#### 临床因素
疼痛的基础病因、持续时间以及先前的干预措施会影响脊髓电刺激的结果。例如，患有失败背部手术综合征或复杂性区域疼痛综合征的患者的反应可能与其他疼痛状况的个体不同。当前的脊髓电刺激方案通常采用通用的方法进行患者编程和治疗实施，未能考虑诸如疼痛持续时间、手术史和混合疼痛机制等变量。根据这些临床因素定制脊髓电刺激参数可以增强个性化护理。
#### 社会经济因素
社会经济差异也在患者获取和脊髓电刺激治疗成功方面发挥作用。来自较低收入背景的个体可能面临有限的保险覆盖或对专业中心的访问受限，导致脊髓电刺激可及性降低。此外，患者对脊髓电刺激选择的教育和认知存在广泛差异。通过有针对性的教育和政策干预来解决这些不公平现象，可以改善结局并确保护理的公平提供。
这些因素共同表明，脊髓电刺激结局的变异性是由临床、心理、技术和社会经济的交叉决定因素造成的。目前的筛查和随访方法往往未能捕捉到这种复杂性。整合人工智能驱动的分析方法可能能够更客观地评估患者对脊髓电刺激反应的特异性预测因子，并进行个性化治疗规划，从而可能降低脊髓电刺激失败率并增强长期疼痛缓解。
### 脊髓电刺激的成本效益分析
脊髓电刺激可以显著改善患有慢性、难治性疼痛患者的生活质量。然而，当治疗失败时，后果不仅限于持续性疼痛，患者还面临更高的经济、心理和功能负担。在本节中，研究人员回顾了关于脊髓电刺激失败对经济和生活质量影响的证据，并强调了人工智能驱动策略在降低与脊髓电刺激失败和移除相关的成本方面的潜在作用。
#### 脊髓电刺激失败时的支出
脊髓电刺激对患者和医疗系统来说都造成了巨大的经济负担。初始费用，包括可植入设备、手术和术后护理，总计通常约为30,000美元。这还不包括后续并发症或干预措施的费用。当治疗失败时，由于需要进行修正手术、移除以及需要采用替代疼痛管理策略，这些费用会进一步增加。
研究表明，接受脊髓电刺激设备移除的患者的医疗成本显著高于保留设备的患者。一项研究发现，在植入前一年，接受移除的患者的总医疗支出中位数更高（42,140美元 vs. 27,822美元），疼痛相关就诊更频繁（180次 vs. 103次），疼痛管理费用更高（15,447美元 vs. 9,228美元）。植入后，他们的费用下降得更慢（4% vs. 6%），到移除时，他们的总支出是维持系统功能正常患者的两倍以上。脊髓电刺激失败通常需要进行多次修正手术，每一次都会增加总的医疗支出。当移除不可避免时，额外的手术风险，如脑脊液漏、感染和恢复期延长，也会进一步增加患者的发病率和医疗系统的资源利用及成本，包括手术、住院和术后服务。
#### 脊髓电刺激失败对患者生活质量的影响
除了经济负担，脊髓电刺激失败会深刻影响生活质量。该疗法旨在减轻慢性疼痛并恢复功能；当其失败时，疼痛通常会复发或加重，导致更大的残疾和独立性丧失。患者经常报告心理困扰加剧，包括焦虑和抑郁，因为疼痛缓解的期望未能实现。功能衰退也会导致生产力下降和社会退缩。持续性疼痛通常限制就业、减少日常活动参与并损害人际关系，最终恶化心理和社会经济健康。
这些连锁效应凸显出，脊髓电刺激失败不仅是一个程序性问题，更是一个多维度的健康问题，对患者的身体、情感和财务状况都有重大影响。
### 脊髓电刺激与传统疗法的比较成本效益
几项研究在医疗支出和患者报告结局方面比较了脊髓电刺激与传统药物管理（CMM）。总体而言，这些分析表明，虽然脊髓电刺激前期成本较高，但当成功时，它随着时间的推移往往具有成本效益，能改善疼痛控制、减少对药物的依赖并提高生活质量。
### 人工智能增强患者选择对脊髓电刺激的启示
脊髓电刺激的经济和临床结果密切相关：每一次失败的植入不仅代表治疗受挫，也意味着重大的经济负担。通过人工智能驱动的预测模型识别最可能对脊髓电刺激产生积极反应的患者，可以显著降低移除率和不必要的支出。此类模型还可以通过将临床、心理和社会经济等多维度变量整合到患者选择算法中，指导临床医生选择具有成本效益的脊髓电刺激患者选择和治疗优化策略。最终，利用人工智能优化患者选择可以提高接受脊髓电刺激个体的成本效率和生活质量，将神经调控转变为现代疼痛管理中更具可持续性的治疗选择。
### 用于精准患者选择与结局预测的人工智能（增强脊髓电刺激疗效的机器学习方法）
人工智能和机器学习在医疗保健中的整合为个性化医学开辟了新的机遇，包括在慢性疼痛管理的脊髓电刺激中的应用。通过改善患者选择和提高结局预测的准确性，这些技术可以增强脊髓电刺激的总体疗效和效率。在本节中，研究人员回顾了关键进展，展示了人工智能如何通过精准建模和持续学习来优化神经调控结果。
#### 脊髓电刺激患者选择的精准化需求
传统的脊髓电刺激患者选择严重依赖短期试验期和主观疼痛评估。虽然这些方法可以提供关于短期镇痛反应性和耐受性的临时见解，但它们常常无法预测长期治疗成功。约30%的植入产生次优的疼痛缓解，这强调了需要客观的、数据驱动的预测标准。人工智能和机器学习系统特别适合捕捉决定治疗结果的生物学、心理学和环境因素之间的复杂相互作用。
#### 机器学习在医疗保健中的应用
机器学习（ML）是人工智能的一个子集，它利用从数据中学习的算法进行预测或分类。在临床背景下，机器学习擅长分析大型、复杂的数据集，并识别人类观察可能忽略的微妙、多维度模式。这种能力对于慢性疼痛患者尤其有价值，因为他们的结果受到众多相互作用的变量影响，如疼痛持续时间、心理健康状况和治疗史。通过揭示从遗传学和共病到生活方式和社会心理变量等多种输入之间的多因素关系，机器学习可以细化诊断准确性、预测治疗反应并个性化治疗计划。此外，随着新数据的纳入，机器学习模型可以动态演进，持续改进预测性能。除了结构化的机器学习算法，更广泛的人工智能驱动方法也越来越多地被探索用于个性化慢性疼痛管理，将患者特定的生物学、心理和情境变量整合到动态治疗框架中。
#### 利用人工智能增强脊髓电刺激疗效
##### 数据整合与分析
(a) 人工智能系统可以结合电子健康记录中通常可用的多样化患者信息、人口统计学资料、病史、心理特征和社会经济因素。通过多变量分析，机器学习模型可以揭示这些因素与脊髓电刺激成功率之间的复杂非线性关系。例如，算法可能揭示特定既往治疗和心理特征的组合能强烈预测疼痛强度和功能结局的长期改善。
(b) 先进的特征选择方法，包括递归特征消除和Lasso回归，可以识别对脊髓电刺激治疗反应最具影响力的预测因子，同时最小化噪声，从而提高机器学习模型的准确性和可解释性。这些以特征为中心的模型明确了哪些患者特征、疼痛模式或既往干预措施最能预测长期脊髓电刺激治疗的成功结果。将社会经济数据纳入预测建模框架还可以揭示在脊髓电刺激评估和治疗可及性方面的差异，从而实现更公平、更有针对性的护理。
(c) 最近的研究进一步展示了这些人工智能驱动方法在临床环境中的实际应用。Gopal等人将机器学习应用于脊髓电刺激手术期间记录的术中脑电图（EEG）数据，结合主成分分析和递归特征消除以及患者报告的结局测量，构建了脊髓电刺激反应的预测模型，揭示了可能作为患者选择客观生物标志物的慢性疼痛新型神经生理学标志物。与此相补充，Prunskis等人进行的一项综合综述表明，将人工智能整合到脊髓电刺激护理中，从用于患者选择的预测建模到实时自适应刺激参数调整，显著改善了患者结局并减少了次优反应。
##### 预测建模
(a) 监督学习技术使算法能够从标记数据集（如已知的成功与失败的脊髓电刺激病例）中“学习”，并将此知识应用于预测新候选者脊髓电刺激治疗的结局。决策树和支持向量机在此被突出，因为它们代表了互补的监督方法，在临床可解释性与建模异构患者数据中复杂非线性关系的能力之间取得了平衡。
(i) 决策树根据临床和社会心理变量将数据集分割成分支，提供可解释的路径，例如，首先根据疼痛持续时间进行分层，然后是既往手术史和心理风险因素，突出了哪些患者特征（例如，疼痛持续时间、既往手术、焦虑水平）对治疗成功影响最大。
(ii) 支持向量机在高维数据中定义结局组之间的最优边界。当结局取决于复杂的变量相互作用时，这尤其有价值，例如，当只有在疼痛持续时间较长时，中度焦虑才预测长期脊髓电刺激反应不良时。
(b) 这些算法可以将主观筛查转化为可量化的、基于证据的脊髓电刺激疗效预测。最近，大型语言模型（如GPT-4）已被评估作为脊髓电刺激候选者选择的临床决策支持工具，显示出与专家多学科团队的一致性，并表明人工智能在简化筛查流程方面具有潜在作用。
##### 风险分层
人工智能模型可以根据患者经历有意义的疼痛缓解的可能性对其进行分类，这一过程称为风险分层。通过早期识别高风险个体，临床医生可以定制疼痛管理方案，例如提供额外的心理支持或替代干预措施以提高成功率。风险分层还能通过将资源分配给最有可能获益的候选人来简化医疗资源利用，从而优化临床结果和系统级效率。
##### 持续学习与自适应算法
人工智能系统的一个决定性优势在于其持续改进的能力。通过反馈循环，自适应模型整合新的临床数据和结局，以随时间推移重新校准预测准确性。例如，如果新证据表明某些心理因素显著影响对刺激的反应，自适应模型会相应更新，从而提高患者选择和长期结果预测的精准性。
将人工智能和机器学习整合到脊髓电刺激中，可以将神经调控转变为更精准、更具成本效益且以患者为中心的治疗方法。通过识别传统分析无法发现的复杂多维度关系模式，这些系统可以细化候选人选择、改善结果预测，并在临床工作流程中促进适应性学习。最终，人工智能增强的决策支持可以提高脊髓电刺激成功率，降低医疗成本，并提供更公平和个性化的疼痛管理解决方案。
### 结论与未来方向
将人工智能和机器学习整合到脊髓电刺激中，为改善患者选择、治疗结果和医疗效率提供了一个变革性的机遇。传统的脊髓电刺激候选者筛查方法很大程度上依赖于短期试验期间疼痛缓解的主观报告。这种方法常常无法捕捉到影响脊髓电刺激长期成功的多层面生物学、心理和社会经济因素，导致临床结局和成本的高度变异性。相比之下，人工智能和机器学习提供了一个数据驱动的、客观的决策框架。通过分析包含临床变量、心理社会测量和治疗史的复杂数据集，这些系统可以识别出治疗成功的关键预测因子，否则这些预测因子可能不会被注意到。特征选择、监督学习、集成建模和风险分层等工具使得创建能够提高预测准确性和临床可解释性的预测模型成为可能。此外，使用自适应、持续学习的算法确保预测模型能够随着新证据的出现而实时演进。这种自我完善的能力可以细化治疗个性化、指导脊髓电刺激植入决策并为术后管理提供信息，以进一步降低失败风险。
展望未来，关于人工智能指导的脊髓电刺激患者选择和结局预测的未来研究应侧重于开发经过验证的、可临床部署的预测模型，整合来自多个来源的数据，如电子健康记录、可穿戴设备和成像工具。临床医生、数据科学家和工程师之间的协作努力对于确保这些系统既可解释又符合伦理实施至关重要。人工智能训练、验证和透明度的标准化协议对于确保患者安全和法规合规性也将是必不可少的。值得注意的是，美国疼痛与神经科学学会（American Society of Pain and Neuroscience）已经开始发布关于人工智能在介入性疼痛实践中应用的正式指南，标志着这些技术日益增长的机构认可以及对其临床部署进行标准化框架监管的需求。
通过将数据分析与临床专业知识相结合，人工智能和机器学习可以将脊髓电刺激从一种试错性程序转变为一种精准引导的疗法。这一转变不仅有望增强临床结果，还能降低成本、改善疼痛管理的公平性，并最终提高患有慢性疼痛个体的生活质量。
